Machine Learning, auf Deutsch maschinelles Lernen, ist der Teil der künstlichen Intelligenz, bei dem eine Software aus Beispielen lernt, statt dass ein Mensch jede Regel von Hand einprogrammiert. Das Ergebnis, das Modell, erkennt Muster in Daten und macht damit Vorhersagen, etwa ob eine Mail Spam ist, oder erzeugt neue Inhalte wie Texte und Bilder. Auch ChatGPT und Claude beruhen darauf: Hinter ihnen stecken große neuronale Netze mit vielen Schichten, und das Lernen damit heißt Deep Learning.
Ich arbeite jeden Tag mit Claude. Meine vierzehn KI-Mitarbeiter laufen auf Claude Team, manche auch auf offenen Modellen oder über die API. Die Begriffe in diesem Beitrag folgen dem Einführungskurs von Google zu Machine Learning und dem Glossar von Anthropic, beide abgerufen am 27.10.2026. Alle Grundlagen zu KI sammle ich auf der Seite KI-Grundlagen.
Der Unterschied zum klassischen Programm
Ein klassisches Programm arbeitet mit Regeln, die ein Mensch aufschreibt: Wenn der Betreff „Gewinn“ enthält, verschiebe die Mail in den Spam-Ordner. Das funktioniert, bis die Absender ihre Betreffzeilen ändern. Dann muss jemand neue Regeln schreiben.
Beim maschinellen Lernen dreht sich das um. Du gibst der Software sehr viele Beispiele, hier Tausende Mails mit der Angabe „Spam“ oder „kein Spam“. Die Software sucht selbst nach den Mustern, die beide Gruppen trennen. Google beschreibt Machine Learning genau so: als den Vorgang, eine Software, das Modell, so zu trainieren, dass sie aus Daten nützliche Vorhersagen trifft oder Inhalte erzeugt.
Google nennt dazu ein anschauliches Beispiel. Um Regen vorherzusagen, könnte man die Physik der Atmosphäre in riesigen Gleichungen nachbauen, was extrem schwierig ist. Oder man gibt einem Modell sehr viele Wetterdaten, bis es den Zusammenhang zwischen Wetterlagen und Regenmenge selbst gelernt hat. Danach bekommt es die aktuellen Daten und sagt die Regenmenge voraus.
Wie das Lernen abläuft
Drei Wörter brauchst du, um fast jede Erklärung zu verstehen:
- Merkmale sind die Eingaben, mit denen das Modell arbeitet. Bei einer Mail etwa Absender, Betreff und Wörter im Text.
- Labels sind die richtigen Antworten in den Lernbeispielen, hier „Spam“ oder „kein Spam“.
- Training ist der Vorgang, in dem das Modell seine inneren Stellschrauben so lange anpasst, bis es zu den Beispielen passt. Laut Google sieht es jedes Beispiel dabei einige Male bis milliardenfach.
Eine Falle hat einen eigenen Namen: Überanpassung, auf Englisch Overfitting. Das Modell passt dann so genau auf seine Lernbeispiele, dass es bei neuen Daten danebenliegt. Wie ein Lehrling, der alte Prüfungsfragen auswendig gelernt hat und bei einer neuen Frage scheitert.
Die vier Arten des maschinellen Lernens
Google teilt Machine-Learning-Systeme in vier Gruppen ein. Die Beispiele in der rechten Spalte sind zum Teil von mir ausgedacht; Spam, die Roboter und AlphaGo nennt Google selbst:
Beim überwachten Lernen unterscheidet Google noch zwei Aufgaben. Regression sagt eine Zahl voraus, etwa einen Hauspreis oder eine Fahrzeit. Klassifikation sagt eine Kategorie voraus, etwa Spam oder nicht, Regen oder kein Regen. Google vergleicht überwachtes Lernen mit einem Schüler, der für eine Prüfung alte Klausuren samt Lösungen durcharbeitet. Was generative KI genau kann, erkläre ich in meinem Beitrag zu generativer KI.
Neuronale Netze und Deep Learning
Ein neuronales Netz ist eine bestimmte Bauart von Modell. Es besteht aus vielen kleinen Recheneinheiten in Schichten, die nacheinander durchlaufen werden. Die Schichten zwischen Eingabe und Ausgabe heißen verborgene Schichten. Google definiert ein neuronales Netz als Modell mit mindestens einer verborgenen Schicht. Hat es mehr als eine, spricht man von einem tiefen neuronalen Netz, und das Lernen damit heißt Deep Learning.
Damit ergibt sich ein Stammbaum, in dem jede Ebene ein Teil der darüber ist:
- Künstliche Intelligenz ist der Oberbegriff. Google beschreibt KI als Programm oder Modell, das anspruchsvolle Aufgaben löst, etwa Texte übersetzt oder Krankheiten auf Röntgenbildern erkennt.
- Machine Learning ist laut Google ein Teilgebiet der KI: der Teil, der aus Daten lernt.
- Deep Learning ist Machine Learning mit tiefen neuronalen Netzen.
- Große Sprachmodelle, kurz LLM, sind Sprachmodelle mit sehr vielen Parametern, also gelernten Stellschrauben. Sie beruhen meist auf einer Bauart neuronaler Netze namens Transformer, die aus vielen Schichten besteht. Hinter ChatGPT, Claude und Gemini steckt jeweils so ein Modell.
Anthropic beschreibt den letzten Schritt so: Im Vortraining lernt das Sprachmodell, das nächste Wort vorherzusagen, wenn es den Text davor kennt. Danach wird es mit weiteren Daten und mit Rückmeldungen von Menschen zu einem hilfreichen Assistenten weitertrainiert. Wie das im Einzelnen funktioniert, erkläre ich in Wie funktioniert ein LLM? Einfach erklärt.
Wo dir Machine Learning im Alltag begegnet
Google nennt Übersetzungs-Apps, Wettervorhersagen, geschätzte Fahrzeiten, Musikempfehlungen und die automatische Vervollständigung von Sätzen. Im Büro kennst du es vom Spamfilter und von jedem KI-Chat. Meist merkst du gar nicht, dass ein gelerntes Modell im Hintergrund arbeitet.
Worauf du achten solltest
- Ein Modell ist nur so gut wie seine Beispiele. Lernt es aus einseitigen oder fehlerhaften Daten, übernimmt es diese Fehler.
- Eine Vorhersage ist keine Gewissheit. Ein Modell sagt, was nach seinen Daten wahrscheinlich ist. Bei Sprachmodellen kann das eine überzeugend klingende, aber falsche Antwort sein. Mehr dazu in KI-Halluzinationen erkennen und reduzieren.
- Du musst kein eigenes Modell trainieren. Meine Einschätzung für kleine Betriebe: Die Frage ist selten, wie man ein Modell baut, sondern bei welchem Ablauf ein fertiges Werkzeug hilft. Ein eigenes Modell lohnt sich erst, wenn du sehr viele eigene Daten und eine klar messbare Aufgabe hast.
Häufige Fragen
Was ist der Unterschied zwischen KI und Machine Learning?
KI ist der Oberbegriff. Machine Learning ist ein Teil davon, nämlich der, bei dem eine Software aus Daten lernt, statt nur festen Regeln zu folgen. Laut Google verwenden manche die beiden Begriffe inzwischen gleichbedeutend, streng genommen ist Machine Learning aber ein Teilgebiet. Die KI-Werkzeuge, über die gerade alle reden, wie ChatGPT oder Claude, beruhen auf Machine Learning.
Was ist der Unterschied zwischen Machine Learning und Deep Learning?
Deep Learning ist eine Form von Machine Learning. Es nutzt neuronale Netze mit mehr als einer verborgenen Schicht. Große Sprachmodelle wie die hinter ChatGPT und Claude sind solche tiefen Netze.
Ist ChatGPT Machine Learning?
Ja. ChatGPT beruht auf einem großen Sprachmodell, also einem tiefen neuronalen Netz, das aus riesigen Textmengen gelernt hat. Dasselbe gilt für Claude und Gemini.
Muss ich programmieren können, um Machine Learning zu nutzen?
Um es zu nutzen, nein. Jeder KI-Chat, jeder Spamfilter und jede Übersetzungs-App setzt gelernte Modelle ein, ohne dass du eine Zeile Code schreibst. Erst wer selbst Modelle trainieren will, braucht Programmier- und Statistikkenntnisse.
Was sind neuronale Netze, einfach erklärt?
Ein neuronales Netz ist ein Modell aus vielen kleinen Recheneinheiten, die in Schichten hintereinander liegen. Jede Schicht verarbeitet, was die vorige ausgibt. Im Training werden die Verbindungen zwischen den Einheiten so lange angepasst, bis das Netz zu den Beispielen passt.
Wie du weitermachst
Achte diese Woche darauf, wo dir gelernte Modelle begegnen: im Postfach, in der Übersetzungs-App, im KI-Chat. Frag dich jeweils, aus welchen Beispielen dieses Modell wohl gelernt hat. Den Schritt davor, also was generative KI ist, erkläre ich in Generative KI einfach erklärt: mit Beispielen. Weiter geht es mit der Frage, was ein KI-Modell ist und wie es sich von der App unterscheidet, die du benutzt. Alle Fachwörter aus diesem Beitrag findest du kurz erklärt in KI-Begriffe einfach erklärt: das Glossar. Wie andere KI im Betrieb einsetzen, besprechen wir in meiner deutschsprachigen Community Claude Practitioners.
